Stage de master M2 : Phénotypage à haut débit des variétés de blé avec des IoT (Internet of Things)

INRAE; Avignon; On-site; EUR 5,500 - 8,300; Full time

Job summary

INRAE Avignon propose un stage de Master 2 pour caractériser l’impact de la température sur le remplissage des grains des variétés de blé à partir de l’indice de surface foliaire verte (GAI) mesuré par des piquets connectés IoT.

Vous développerez un protocole de calibration radiométrique, un algorithme Python pour calculer le GAI à partir des données journalières et vous acquerrez des données de biomasse et de rendement, en appliquant des méthodes d’analyse de séries temporelles pour modéliser

Qualifications

• Master en technologies de l’information appliqués à l’agriculture ou similaire.
• Maîtrise du langage Python.
• Connaissance des méthodes de ML.
• Organisation et travail en équipe.

Responsibilities

• Mettre en place un protocole de calibration radiométrique pour le capteur multispectral de l’IoT.
• Développer un algorithme sur Python qui calcule le GAI à partir des données journalières des IoT selon la méthode Li et al., 2024.
• Acquérir les données expérimentales de biomasse et composants de rendement.
• Appliquer des méthodes d’analyse de séries temporelles pour modéliser les cinétiques de la surface foliaire et le remplissage des grains en fonction de la température.
• Le stagiaire participera ponctuellement à l'acquisition de données sur parcelles expérimentales.

Skills

Python

Machine Learning

Teamwork

Organisation

Education

Master en technologies de l’information appliqués à l’agriculture ou similaire

Job description

L’Institut national de recherche pour l’agriculture, l’alimentation et l’environnement (INRAE) est un établissement public de recherche rassemblant une communauté de travail de 12 000 personnes, avec 272 unités de recherche, de service et expérimentales , implantées dans 18 centres sur toute la France.INRAE se positionne parmi les tout premiers leaders mondiaux en sciences agricoles et alimentaires, en sciences du végétal et de l’animal. Ses recherches visent à construire des solutions pour des agricultures multi-performantes, une alimentation de qualité et une gestion durable des ressources et des écosystèmes.

Environnement de travail, missions et activités

Phénotypage à haut débit des variétés de blé avec des IoT (Internet of Things): suivi de la dynamique de la surface foliaire verte et de son lien avec les composants du rendement en fonction de la température post-floraison.

Contexte scientifique

L’amélioration variétale offre des opportunités pour augmenter la variabilité génétique des plantes. Cela représente un énorme potentiel pour l’amélioration des espèces cultivées dans un contexte d’accroissement de la demande alimentaire mondiale et du changement climatique. La contribution réelle de ces avancées pour augmenter la productivité des cultures nécessite d’identifier les liens entre les caractéristiques génétiques des plantes (le génotype) et les processus biologiques qui produisent une réponse différentiée des plantes aux conditions environnementales (le phénotype).

Le phénotypage, c’est-à-dire l’observation des traits phénotypiques tels que la surface foliaire, densité d’épis ou la taille d’épis, représente une étape essentielle pour établir le lien entre génotype et environnement. Le déploiement ces dernières années des grands équipements pour le phénotypage à haut débit comme la Phénomobile ou les drones et des algorithmes de traitement des données(D’Argaignon et al., 2026; Lopez-Lozano et al., 2026; Yang et al., 2025) permet aujourd’hui d’acquérir des jeux des données de grand valeur sur des variétés de blé. Cependant, ces grands équipements sont contraints à être utilisés uniquement sur des dispositifs expérimentaux, complexes et couteux, et donc, dans un nombre assez réduit d’environnements.

Des instruments moins lourds, comme les piquets connectés (Internet of Things, IoT), installés dans un réseau d’essais élargi à plusieurs régions, permettraient un suivi automatique journalier des variétés de blé dans des conditions agro-climatiques contrastées. Ce suivi servira à modéliser le comportement des variétés en fonction de l’environnement et à projeter leur rendement dans différents scenarios climatiques. Les prototypes d’IoT développés par INRAE (voir https://www.inrae.fr/actualites/piquets-connectes-innovation-au-service-lagriculture-precision ) ont déjà montré leur grand potentiel pour le suivi multi-environnemental des variétés de blé. Ils peuvent être associés à des données satellitaires pour augmenter la couverture spatiale du suivi des cultures.

Objectifs et activités du stage

L’objectif de ce stage de Master 2 est la caractérisation de l’impact de la température sur le remplissage des grains des deux variétés commerciales de blé à partir de l’indice de la surface foliaire verte (Green Area Index, GAI) estimé avec des piquets connectés. Cet objectif est décliné sur deux taches:

• Appliquer une méthode précédente développée par l’équipe CAPTE(Li et al., 2024) aux données des capteurs multi-spectraux installés sur les prototypes de piquets connectés d’INRAE.
• Etudier la relation entre la durée et la vitesse de remplissage des grains et la dynamique du GAI sur deux variétés de blé avec des niveaux de précocité différents semées à deux dates sur un essai terrain. Cela permettra de mesurer l’impact de la température post-floraison sur le poids moyen des grains, et de comprendre si la cinétique du GAI après floraison permet d’estimer cet impact de manière non invasive.

Les principales missions du stage seront:

• La mise en place d’un protocole de calibration radiométrique pour le capteur multispectrale de l’IoT
• La mise en place d’un algorithme sur Python qui permet de calculer le GAI à partir des données journalières des IoT selon la méthode de(Li et al., 2024).
• L’acquisition des données expérimentales de biomasse et composantes de rendement.
• L’application des méthodes d’analyse de séries temporelles aux donnés IoT et manuelles pour modéliser les cinétiques de la surface foliaire verte et le remplissage de grains en fonction de la température.

Le stagiaire participera ponctuellement à l'acquisistion de données sur parcelles expérimentales

Formations et compétences recherchées

• Master en technologies de l’information appliqués à l’agriculture ou similaire
• Expérience dans l’utilisation du langage de programmation Python
• Connaissance des méthodes de Machine Learning (ML)
• Organisation et travail en équipe

Votre qualité de vie à INRAE

En rejoignant INRAE, vous bénéficiez(selon le type de contrat et sa durée) :

Les personnes accueillies à INRAE, établissement public de recherche, sont soumises aux dispositions du Code de la fonction publiquenotamment en ce qui concerne l’obligation de neutralité et le respect du principe de laïcité. A ce titre, dans l’exercice de leurs fonctions, qu’elles soient ou non au contact du public, elles ne doivent pas manifester leurs convictions, par leur comportement ou leur tenue, qu’elles soient religieuses, philosophiques ou politiques.> En savoir plus : site fonction publique.gouv.fr

Référence de l'offre

• Durée :6 mois
• Début du contrat :Dès que possible
• Rémunération :Gratification de 4,35€/heure (soit environ 630 €/mois)